基于深度学习的推荐系统算法研究
发布时间:2021-07-06 21:53
随着在线电影数量不断增长,对于电影网站来说,电影评分高低直接影响电影的观看次数和用户的选择,对于用户来说,在众多的电影中找到自己真正喜欢的电影,耗时费力。推荐系统提供了克服此类问题的有效解决方法,为网站和用户提供了极大的便利。但是传统推荐算法存在由于数据稀疏问题导致的推荐效果不佳及冷启动问题,且在对用户进行推荐时未考虑用户给推荐物品的评分高低的影响因素。针对以上问题,本文对推荐算法及其发展现状进行了分析,并深入研究了深度学习在电影推荐领域的应用。通过对现有算法进行改进,提出交互式混合推荐算法,并且引入了评分优化权重,有效缓解了数据稀疏和冷启动问题,同时用户的评分行为也得到了优化。本文主要研究工作如下:(1)构建基于协同过滤的评分优化算法目前推荐系统主要依靠相似度计算对缺失值进行预测,选择预测值较高的前N个进行推荐,并没有考虑用户上次观看电影对本次评分行为的影响,针对这一问题,本文提出基于协同过滤的评分优化算法。该算法在协同过滤算法的基础上引入评分优化权重,提高了电影的平均评分,减小用户对电影的评分波动。(2)改进基于自编码器的混合推荐算法在基于自编码器的混合推荐算法中深度学习算法和传统...
【文章来源】:太原理工大学山西省 211工程院校
【文章页数】:73 页
【学位级别】:硕士
【部分图文】:
推荐系统一般工作方式
图 2-2 受限玻尔兹曼机结构图stricted boltzmann machine struc步完成:样本数据集 S;率 以及算法参数 k ;结点的数目;值矩阵W 和偏执向量 、 ,3, ,nDO12 W , b, b,12W, b,b
模型的多个函数的参数值是相同的,减少了网络参数的存储量,就是指不同的输入都是以同样的方式进行变化直到网络的输出,其具有这种性质,可以很好的应用在具有相邻数据的函数。除了的另外一个重要的操作就是池化,也就是将多个神经元的输出求化层的输出,因此也被称为下采样层。这样可以减少神经网络中络的计算参数,同时经过池化操作的网络还具有平移不变性。卷层、卷积层、下采样层、全连接层和输出层组成[45],如图 2-3 所经网络可以很好的感知二维数据或者类似网络结构的数据信息,机。应用于推荐系统时,主要是用来提取图像、文本、音频等内用一组低维数据进行表示,然后和用户的隐表示相互结合,最后用户。目前卷积神经网络已经广泛的应用在多个领域,比如图像推荐等。
【参考文献】:
期刊论文
[1]一种基于用户的协同过滤推荐算法[J]. 张双庆. 电脑知识与技术. 2019(01)
[2]基于双层注意力机制的深度学习电影推荐系统[J]. 肖青秀,汤鲲. 计算机与现代化. 2018(11)
[3]基于深度学习的视频背景音乐自动推荐算法研究[J]. 吕军辉. 电视技术. 2018(10)
[4]基于卷积神经网络的视频人脸检测与识别[J]. 李淑. 电脑知识与技术. 2018(21)
[5]移动互联网推荐系统研究综述[J]. 陈伟,卜庆凯. 电脑知识与技术. 2018(11)
[6]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[9]基于深度学习的电子文本自然语言处理系统[J]. 赵栋材,周雁. 电子技术与软件工程. 2018(03)
[10]栈式降噪自编码器的标签协同过滤推荐算法[J]. 霍欢,郑德原,高丽萍,杨沪沪,刘亮,张薇. 小型微型计算机系统. 2018(01)
硕士论文
[1]基于深度学习的推荐系统均模型研究[D]. 王聪.太原理工大学 2018
[2]基于深度学习的个性化引文搜索推荐算法研究[D]. 陈志涛.西北农林科技大学 2018
[3]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[4]基于深度学习的自然图像分类方法的研究[D]. 王坤.东华理工大学 2017
[5]基于深度极限学习机的卫星云图云量计算[D]. 孔维斌.南京信息工程大学 2017
[6]基于Hadoop的电子商务推荐系统设计与实现[D]. 王东.西安工业大学 2017
[7]深度卷积神经网络中基于序的池化方法研究[D]. 时增林.郑州大学 2017
[8]基于改进型SVD协同过滤算法的新闻推荐系统[D]. 刘新全.兰州大学 2017
[9]深度人脸特征提取及识别的应用研究[D]. 陈冠豪.重庆大学 2017
[10]基于HLS的Tiny-yolo卷积神经网络加速研究[D]. 张丽丽.重庆大学 2017
本文编号:3269039
【文章来源】:太原理工大学山西省 211工程院校
【文章页数】:73 页
【学位级别】:硕士
【部分图文】:
推荐系统一般工作方式
图 2-2 受限玻尔兹曼机结构图stricted boltzmann machine struc步完成:样本数据集 S;率 以及算法参数 k ;结点的数目;值矩阵W 和偏执向量 、 ,3, ,nDO12 W , b, b,12W, b,b
模型的多个函数的参数值是相同的,减少了网络参数的存储量,就是指不同的输入都是以同样的方式进行变化直到网络的输出,其具有这种性质,可以很好的应用在具有相邻数据的函数。除了的另外一个重要的操作就是池化,也就是将多个神经元的输出求化层的输出,因此也被称为下采样层。这样可以减少神经网络中络的计算参数,同时经过池化操作的网络还具有平移不变性。卷层、卷积层、下采样层、全连接层和输出层组成[45],如图 2-3 所经网络可以很好的感知二维数据或者类似网络结构的数据信息,机。应用于推荐系统时,主要是用来提取图像、文本、音频等内用一组低维数据进行表示,然后和用户的隐表示相互结合,最后用户。目前卷积神经网络已经广泛的应用在多个领域,比如图像推荐等。
【参考文献】:
期刊论文
[1]一种基于用户的协同过滤推荐算法[J]. 张双庆. 电脑知识与技术. 2019(01)
[2]基于双层注意力机制的深度学习电影推荐系统[J]. 肖青秀,汤鲲. 计算机与现代化. 2018(11)
[3]基于深度学习的视频背景音乐自动推荐算法研究[J]. 吕军辉. 电视技术. 2018(10)
[4]基于卷积神经网络的视频人脸检测与识别[J]. 李淑. 电脑知识与技术. 2018(21)
[5]移动互联网推荐系统研究综述[J]. 陈伟,卜庆凯. 电脑知识与技术. 2018(11)
[6]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[9]基于深度学习的电子文本自然语言处理系统[J]. 赵栋材,周雁. 电子技术与软件工程. 2018(03)
[10]栈式降噪自编码器的标签协同过滤推荐算法[J]. 霍欢,郑德原,高丽萍,杨沪沪,刘亮,张薇. 小型微型计算机系统. 2018(01)
硕士论文
[1]基于深度学习的推荐系统均模型研究[D]. 王聪.太原理工大学 2018
[2]基于深度学习的个性化引文搜索推荐算法研究[D]. 陈志涛.西北农林科技大学 2018
[3]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[4]基于深度学习的自然图像分类方法的研究[D]. 王坤.东华理工大学 2017
[5]基于深度极限学习机的卫星云图云量计算[D]. 孔维斌.南京信息工程大学 2017
[6]基于Hadoop的电子商务推荐系统设计与实现[D]. 王东.西安工业大学 2017
[7]深度卷积神经网络中基于序的池化方法研究[D]. 时增林.郑州大学 2017
[8]基于改进型SVD协同过滤算法的新闻推荐系统[D]. 刘新全.兰州大学 2017
[9]深度人脸特征提取及识别的应用研究[D]. 陈冠豪.重庆大学 2017
[10]基于HLS的Tiny-yolo卷积神经网络加速研究[D]. 张丽丽.重庆大学 2017
本文编号:3269039
本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3269039.html